CN112116079A - 一种神经网络间数据传输的解决方法 - Google Patents
一种神经网络间数据传输的解决方法 Download PDFInfo
- Publication number
- CN112116079A CN112116079A CN202011004602.6A CN202011004602A CN112116079A CN 112116079 A CN112116079 A CN 112116079A CN 202011004602 A CN202011004602 A CN 202011004602A CN 112116079 A CN112116079 A CN 112116079A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network
- information
- processing
- original image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种神经网络间数据传输的解决方法,包括如下步骤:步骤A:神经网络前处理图片通过缩放转码归一化处理后,通过A神经网络处理;步骤B:A神经网络会输出检测目标的坐标值信息,然后在原图上映射坐标生成多个子图像,通过映射的方式使用RGB原图内存区域;步骤C:将子图通过神经网络前处理后传入B神经网络处理;本发明的有益效果是:解决了多神经网络之间,数据传输通过内存拷贝方式或者通过DMA加速拷贝所带来的耗时而且极大占用***开销的问题。
Description
技术领域
本发明涉及数据传输领域,具体为一种神经网络间数据传输的解决方法,属于数据传输技术领域。
背景技术
数据传输方式,是数据在信道上传送所采取的方式,若按数据传输的顺序可以分为并行传输和串行传输;若按数据传输的同步方式可分为同步传输和异步传输;若按数据传输的流向和时间关系可以分为单工、半双工和全双工数据传输,并行传输是将数据以成组的方式在两条以上的并行信道上同时传输。例如采用8单位代码字符可以用8条信道并行传输,一条信道一次传送一个字符,因此不需另外措施就实现了收发双方的字符同步,缺点是传输信道多,设备复杂,成本较高,故较少采用,串行传输是数据流以串行方式在一条信道上传输,该方法易于实现,缺点是要解决收、发双方码组或字符的同步,需外加同步措施。串行传输采用较多,人工神经网络也简称为神经网络或称作连接模型,它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠***的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
传统的双神经网络或者多神经网络之间,数据传输一般通过内存拷贝方式来解决,或者通过DMA加速拷贝来解决,但是这样解决有个通病就是在嵌入式端设备拷贝带来的消耗不仅耗时而且极大的占用了***的开销。
发明内容
本发明的目的就在于为了解决多神经网络之间,数据传输通过内存拷贝方式或者通过DMA加速拷贝所带来的耗时而且极大占用***开销的问题,因此而提出一种神经网络间数据传输的解决方法。
本发明的目的可以通过以下技术方案实现:一种神经网络间数据传输的解决方法,包括如下步骤:
步骤A:神经网络前处理图片通过缩放转码归一化处理后,通过A神经网络处理;
步骤B:A神经网络会输出检测目标的坐标值信息,然后在原图上映射坐标生成多个子图像,通过映射的方式使用RGB原图内存区域;
步骤C:将子图通过神经网络前处理后传入B神经网络处理;
其中,所述A神经网络、B神经网络由大量的节点和节点之间的联系构成,每个节点代表一种特定的输出函数,每两个节点间的连接都代表一个对于通过该连接信号的加权值,一个神经元的功能是求得输入向量与权向量的内积后,经一个非线性传递函数得到一个标量结果,用于负责传递信息和加工信息,神经元主要由两层构成,输入层就是负责接收信息,隐藏层就是对输入信息的加工处理,将需要判断的图片传给神经网络,神经网络就会记录下这些像素点的位置,然后输出它认为的数字,把真实值和训练值进行比较,不断训练以减小识别误差。
所述A神经网络、B神经网络还用于图像颜色的处理,即图像在输入网络前,将RGB颜色空间转换为Lab颜色空间,标注分类信息后制作为训练数据集,利用该数据集进行网络训练,原图的L通道作为网络的输入,分别进入特征提取部分及分类网络部分,得到预测分类及对应于ab通道的输出,而原图的分类标签及ab通道信息作为监督信息,供网络输出进行对比以计算各类损失,将所有损失反馈给网络,按照损失梯度对权重进行调整,从而训练整个网络,完成着色。
与现有技术相比,本发明的有益效果是:
神经网络前处理图片通过缩放转码归一化处理后,通过A神经网络处理,A神经网络会输出检测目标的坐标值信息,然后在原图上映射坐标生成多个子图像,通过映射的方式使用RGB原图内存区域,将子图通过神经网络前处理后传入B神经网络处理,该方法在RGB同一原图位置通过映射方式交由神经网络处理,减少数据间的移动和拷贝,解决了多神经网络之间,数据传输通过内存拷贝方式或者通过DMA加速拷贝所带来的耗时而且极大占用***开销的问题。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明***流程示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,一种神经网络间数据传输的解决方法,包括如下步骤:
步骤A:神经网络前处理图片通过缩放转码归一化处理后,通过A神经网络处理;
步骤B:A神经网络会输出检测目标的坐标值信息,然后在原图上映射坐标生成多个子图像,通过映射的方式使用RGB原图内存区域;
步骤C:将子图通过神经网络前处理后传入B神经网络处理;
其中,A神经网络、B神经网络由大量的节点和节点之间的联系构成,每个节点代表一种特定的输出函数,每两个节点间的连接都代表一个对于通过该连接信号的加权值,一个神经元的功能是求得输入向量与权向量的内积后,经一个非线性传递函数得到一个标量结果,用于负责传递信息和加工信息,神经元主要由两层构成,输入层就是负责接收信息,隐藏层就是对输入信息的加工处理,将需要判断的图片传给神经网络,神经网络就会记录下这些像素点的位置,然后输出它认为的数字,把真实值和训练值进行比较,不断训练以减小识别误差,神经网络不再是对每个像素的输入信息做处理,而是对图片上每一小块像素区域的处理。有一个批量过滤器,它会收集信息,然后整理信息,神经网络是通过“TensorFlow”这个框架来学习神经网络的;
A神经网络、B神经网络还用于图像颜色的处理,即图像在输入网络前,将RGB颜色空间转换为Lab颜色空间,标注分类信息后制作为训练数据集,利用该数据集进行网络训练,原图的L通道作为网络的输入,分别进入特征提取部分及分类网络部分,得到预测分类及对应于ab通道的输出,而原图的分类标签及ab通道信息作为监督信息,供网络输出进行对比以计算各类损失,将所有损失反馈给网络,按照损失梯度对权重进行调整,从而训练整个网络,完成着色。
本发明在使用时,神经网络前处理图片通过缩放转码归一化处理后,通过A神经网络处理,A神经网络会输出检测目标的坐标值信息,然后在原图上映射坐标生成多个子图像,通过映射的方式使用RGB原图内存区域,将子图通过神经网络前处理后传入B神经网络处理,该方法在RGB同一原图位置通过映射方式交由神经网络处理,减少数据间的移动和拷贝,解决了多神经网络之间,数据传输通过内存拷贝方式或者通过DMA加速拷贝所带来的耗时而且极大占用***开销的问题。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (2)
1.一种神经网络间数据传输的解决方法,其特征在于,包括如下步骤:
步骤A:神经网络前处理图片通过缩放转码归一化处理后,通过A神经网络处理;
步骤B:A神经网络会输出检测目标的坐标值信息,然后在原图上映射坐标生成多个子图像,通过映射的方式使用RGB原图内存区域;
步骤C:将子图通过神经网络前处理后传入B神经网络处理;
其中,所述A神经网络、B神经网络由大量的节点和节点之间的联系构成,每个节点代表一种特定的输出函数,每两个节点间的连接都代表一个对于通过该连接信号的加权值,一个神经元的功能是求得输入向量与权向量的内积后,经一个非线性传递函数得到一个标量结果,用于负责传递信息和加工信息,神经元主要由两层构成,输入层就是负责接收信息,隐藏层就是对输入信息的加工处理,将需要判断的图片传给神经网络,神经网络就会记录下这些像素点的位置,然后输出它认为的数字,把真实值和训练值进行比较,不断训练以减小识别误差。
2.根据权利要求1所述的一种神经网络间数据传输的解决方法,其特征在于,所述A神经网络、B神经网络还用于图像颜色的处理,即图像在输入网络前,将RGB颜色空间转换为Lab颜色空间,标注分类信息后制作为训练数据集,利用该数据集进行网络训练,原图的L通道作为网络的输入,分别进入特征提取部分及分类网络部分,得到预测分类及对应于ab通道的输出,而原图的分类标签及ab通道信息作为监督信息,供网络输出进行对比以计算各类损失,将所有损失反馈给网络,按照损失梯度对权重进行调整,从而训练整个网络,完成着色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004602.6A CN112116079A (zh) | 2020-09-22 | 2020-09-22 | 一种神经网络间数据传输的解决方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004602.6A CN112116079A (zh) | 2020-09-22 | 2020-09-22 | 一种神经网络间数据传输的解决方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116079A true CN112116079A (zh) | 2020-12-22 |
Family
ID=73800938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011004602.6A Pending CN112116079A (zh) | 2020-09-22 | 2020-09-22 | 一种神经网络间数据传输的解决方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116079A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
CN110555345A (zh) * | 2018-06-01 | 2019-12-10 | 北京深鉴智能科技有限公司 | 智能图像分析***和方法 |
CN110909756A (zh) * | 2018-09-18 | 2020-03-24 | 苏宁 | 用于医学图像识别的卷积神经网络模型训练方法和装置 |
CN111079917A (zh) * | 2018-10-22 | 2020-04-28 | 北京地平线机器人技术研发有限公司 | 张量数据分块存取的方法及装置 |
-
2020
- 2020-09-22 CN CN202011004602.6A patent/CN112116079A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
CN110555345A (zh) * | 2018-06-01 | 2019-12-10 | 北京深鉴智能科技有限公司 | 智能图像分析***和方法 |
CN110909756A (zh) * | 2018-09-18 | 2020-03-24 | 苏宁 | 用于医学图像识别的卷积神经网络模型训练方法和装置 |
CN111079917A (zh) * | 2018-10-22 | 2020-04-28 | 北京地平线机器人技术研发有限公司 | 张量数据分块存取的方法及装置 |
Non-Patent Citations (1)
Title |
---|
RICHARD ZHANG等: "Colorful Image Colorization", 《ARXIV》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Agrawal et al. | Don't just assume; look and answer: Overcoming priors for visual question answering | |
CN108564029B (zh) | 基于级联多任务学习深度神经网络的人脸属性识别方法 | |
CN107679522B (zh) | 基于多流lstm的动作识别方法 | |
CN112395945A (zh) | 基于骨骼关节点的图卷积行为识别方法及装置 | |
WO2021096009A1 (ko) | 릴레이션 네트워크에 기반한 지식 보완 방법 및 장치 | |
CN108009594B (zh) | 一种基于变分组卷积的图像识别方法 | |
CN113408343B (zh) | 基于双尺度时空分块互注意力的课堂动作识别方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN109753570A (zh) | 一种基于Horn逻辑与图神经网络的场景图谱向量化方法 | |
CN111931814B (zh) | 一种基于类内结构紧致约束的无监督对抗域适应方法 | |
CN111914617B (zh) | 一种基于平衡栈式生成式对抗网络的人脸属性编辑方法 | |
CN113313188B (zh) | 一种跨模态融合目标跟踪方法 | |
CN110210344A (zh) | 视频动作识别方法及装置、电子设备、存储介质 | |
CN116187469A (zh) | 一种基于联邦蒸馏学习框架的客户端成员推理攻击方法 | |
CN110717555B (zh) | 一种基于自然语言和生成对抗网络的图片生成***及装置 | |
CN112529774A (zh) | 一种基于CycleGAN的遥感仿真图像生成方法 | |
CN104036242A (zh) | 基于Centering Trick卷积限制玻尔兹曼机的物体识别方法 | |
CN114503153A (zh) | 利用神经网络及非局部块进行分割的疾病诊断***及方法 | |
CN112116079A (zh) | 一种神经网络间数据传输的解决方法 | |
CN110580289A (zh) | 一种基于堆叠自动编码器和引文网络的科技论文分类方法 | |
Zhang et al. | Skeleton-based action recognition with attention and temporal graph convolutional network | |
CN115601744A (zh) | 一种车身与车牌颜色相近的车牌检测方法 | |
CN108960275A (zh) | 一种基于深度玻尔兹曼机的图像识别方法及*** | |
CN115810196A (zh) | 一种***鉴别方法、装置及存储介质 | |
CN112598044A (zh) | 一种基于多通道图卷积的文本分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201222 |